TAREA #3 CAPÍTULOS 5, 6
OCT/2020 A-71 7 ACTUARÍA
Dr. EDUARDO ROSAS
LUIS FELIPE MARTINEZ LOPEZ 1625925
Todos los desarrollos se deben realizar en R studio, copiar y pegar los resultados y
presentarlos en formato PDF.
Ejercicio 1. En el archivo [Link] se presenta los datos referente a la inversión doméstica
privada bruta (IDPB) de Estados Unidos y al producto interno bruto (PIB) en miles de millones (MM)
y en millones de dólares (M) de 2000 ajustados por la inflación, para el perido de 1990 a 2005. Suponga
que en la regresión de la IDPB explicada por el PIB, un investigador utiliza información medida en
miles de millones de dólares y otro expresa estos datos en millones de dólares
1. ¿Serán Iguales los resultados de la regresión en ambos casos coeficiente de intersección, pendiente,
errores estándar, coeficientes de correlación (regresión 1 y regresión 2)? Muestre los resultados y
explique las diferencias, si existen (transforme las variables a series de tiempo).
R= Los resultados son iguales, solo la forma en que son presentados tiene un pequeño
cambio y esto se debe al incremento de mil en los millones, esta sería la única diferencia.
2. ¿Cuáles son los valores de F, y del análsis ANOVA (SEC, STC, SRC), son iguales o difieren?
R= el valor de F y del ANOVA en la primera regresión es:
SEC = 1,692,073; SRC = 61,776; STC = 1,753,849 y su F = 383.47
el valor de F y del ANOVA en la primera regresión es:
SEC = 1.6921e+12; SRC = 6.1776e+10; STC = 1.753876e+12 y su F = 383.47
Son iguales y solo presentan el cambio del punto decimal por el incremento de miles.
3. Utilice la IDPB en miles de millones de dólares y el PIB en millones de dólares y muestre los
resultados (regresión 3), posteriormente utilice la La IDPB en millones de dólares y el PIB en miles
de millones de dólares y muestre los resultados (regresión 4). Como interpreta estos resultados.
Los resultados presentados tanto como el intercepto y el coeficiente de la pendendiente y
sus errores estándar, son mil veces sus valores.
> #LIMPIAMOS TODAS LAS VARIABLES PARA QUE EL ESPACIO DE TRABAJO ESTE LIMPIO
> rm(list = ls())
> library(tseries)
Registered S3 method overwritten by 'quantmod':
method from
[Link] zoo
‘tseries’ version: 0.10-47
‘tseries’ is a package for time series
analysis and computational finance.
See ‘library(help="tseries")’ for details.
> library(car)
Loading required package: carData
> library(moments)
> #DEFINIMOS NUESTRO ESPACIO DE TRABAJO WD= WORK DIRECTORY
> setwd("C:\\Users\\luisf\\OneDrive\\Documentos\\NOVENO\\ANALISIS DE REGRESION"
)
> #EJERCICIO 1
> inversion <- [Link](file = 'tarea 3/[Link]', header = TRUE)
> attach(inversion)
> [Link]<-ts(inversion[,2], star=c(1990,1), frequency = 1)
> [Link]<-ts(inversion[,4], star=c(1990,1), frequency = 1)
> [Link]<-ts(inversion[,3], star=c(1990,1), frequency = 1)
> [Link]<-ts(inversion[,5], star=c(1990,1), frequency = 1)
> d<-[Link]([Link],[Link],[Link],[Link])
> # INCISO 1
> reg1<- lm([Link]~[Link], data = d);summary(reg1)
Call:
lm(formula = [Link] ~ [Link], data = d)
Residuals:
Min 1Q Median 3Q Max
-88.561 -47.621 -9.318 42.098 116.245
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -926.09039 116.35770 -7.959 1.45e-06
[Link] 0.25352 0.01295 19.582 1.43e-11
(Intercept) ***
[Link] ***
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 66.43 on 14 degrees of freedom
Multiple R-squared: 0.9648, Adjusted R-squared: 0.9623
F-statistic: 383.5 on 1 and 14 DF, p-value: 1.431e-11
> reg2<- lm([Link]~[Link], data = d);summary(reg2)
Call:
lm(formula = [Link] ~ [Link], data = d)
Residuals:
Min 1Q Median 3Q Max
-88561 -47621 -9318 42098 116245
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -9.261e+05 1.164e+05 -7.959 1.45e-06
[Link] 2.535e-01 1.295e-02 19.582 1.43e-11
(Intercept) ***
[Link] ***
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 66430 on 14 degrees of freedom
Multiple R-squared: 0.9648, Adjusted R-squared: 0.9623
F-statistic: 383.5 on 1 and 14 DF, p-value: 1.431e-11
> # INCISO 2
> anova(reg1)
Analysis of Variance Table
Response: [Link]
Df Sum Sq Mean Sq F value Pr(>F)
[Link] 1 1692073 1692073 383.47 1.431e-11 ***
Residuals 14 61776 4413
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> anova(reg2)
Analysis of Variance Table
Response: [Link]
Df Sum Sq Mean Sq F value Pr(>F)
[Link] 1 1.6921e+12 1.6921e+12 383.47 1.431e-11
Residuals 14 6.1776e+10 4.4125e+09
[Link] ***
Residuals
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> #INCISO 3
> reg3<- lm([Link]~[Link], data = d);summary(reg3)
Call:
lm(formula = [Link] ~ [Link], data = d)
Residuals:
Min 1Q Median 3Q Max
-88.561 -47.621 -9.318 42.098 116.245
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -9.261e+02 1.164e+02 -7.959 1.45e-06
[Link] 2.535e-04 1.295e-05 19.582 1.43e-11
(Intercept) ***
[Link] ***
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 66.43 on 14 degrees of freedom
Multiple R-squared: 0.9648, Adjusted R-squared: 0.9623
F-statistic: 383.5 on 1 and 14 DF, p-value: 1.431e-11
> reg4<- lm([Link]~[Link], data = d);summary(reg2)
Call:
lm(formula = [Link] ~ [Link], data = d)
Residuals:
Min 1Q Median 3Q Max
-88561 -47621 -9318 42098 116245
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -9.261e+05 1.164e+05 -7.959 1.45e-06
[Link] 2.535e-01 1.295e-02 19.582 1.43e-11
(Intercept) ***
[Link] ***
---
Signif. codes:
0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 66430 on 14 degrees of freedom
Multiple R-squared: 0.9648, Adjusted R-squared: 0.9623
F-statistic: 383.5 on 1 and 14 DF, p-value: 1.431e-11
Ejercicio 2. Desde 1986, The Economist publica el Índice Big Mac como medida burda y divertida para
saber si las monedas internacionales se sitúan en su tipo de cambio “correcto”, según la teoría de la
paridad del poder adquisitivo (PPA). La PPA sostiene que con una unidad de moneda debe ser posible
comprar la misma canasta de bienes en todos los países (igual que un corte de cabello, debería costar
lo mismo en Brasil que en la India). Los partidarios de la PPA argumentan que, a la larga, las monedas
tienden a moverse hacia su PPA. The Economist utiliza la hamburguesa Big Mac de McDonald’s como
canasta representativa, y presenta la información en el archivo [Link].
Considere el siguiente modelo de regresión:
Yi = β1 + β2 Xi + ui
donde Y = tipo de cambio del día y X = PPA implícita del dólar.
a) Si se mantiene la PPA, ¿qué valores de β2 esperaría a priori? ¿ Ho: β2=1, por qué?
R = Porque si B2 es 1 para nuestra hipótesis, esto nos haría pensar que nuestra intersección
tendrá un valor de 0 y de esta manera no habría variación en PPA. Y así podre mantener
constante esta variable y que ni una moneda gane mas que otro.
b) ¿Los resultados de la regresión (β2) apoyan sus expectativas? ¿Qué prueba formal aplica para
demostrar su hipótesis (Ho: β2=1)?
R = No las apoya ya que se obtiene el valor de 1.81472.
Utilizaría la “Regla 2t”, pero antes me basaría en la prueba de Wald para poder obtener la
F, que la F = 881.27 y de ese resultado sacar su raíz y tener el valor de la t, que es t = 29.68.
Es valor es muy significativo lo que conduce al rechazo de la hipótesis nula.
> #EJERCICIO 2
> mac<-[Link](file = 'tarea 3/[Link]', header = TRUE)
> attach(mac)
> # INCISO a
> regmc<-lm(Y~X, data = mac);summary(regmc)
Call:
lm(formula = Y ~ X, data = mac)
Residuals:
Min 1Q Median 3Q Max
-659.97 23.71 31.76 32.77 507.40
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -33.09170 26.98784 -1.226 0.227
X 1.81472 0.02744 66.124 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 164.5 on 39 degrees of freedom
Multiple R-squared: 0.9912, Adjusted R-squared: 0.9909
F-statistic: 4372 on 1 and 39 DF, p-value: < 2.2e-16
> #INCISO b
> linearHypothesis(regmc, "X=1")
Linear hypothesis test
Hypothesis:
X = 1
Model 1: restricted model
Model 2: Y ~ X
[Link] RSS Df Sum of Sq F Pr(>F)
1 40 24913008
2 39 1055780 1 23857228 881.27 < 2.2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Ejercicio 3. En el archivo ejercicio [Link] se presentan los datos sobre el promedio de calificaciones
del examen de aptitud académica SAT de los estudiantes que solicitaron admisión a licenciatura 1972
a 2007. Estos datos representan las calificaciones en el examen de lectura crítica (R) y matemáticas
(M) de hombres y mujeres (MaleR=Hombre en lectura, FemaleR=Mujeres en lectura, MaleM=Hombre
en Matemática, FemaleM=Mujeres en Matemática).
1. Con el eje horizontal para los años y el vertical para las calificaciones del examen SAT, grafique las
calificaciones de lectura crítica para hombres y mujeres en la misma gráfica y de matemáticas para
hombres y mujeres en la misma gráfica. ¿Qué conclusiones generales se obtienen?
R = Que los hombres obtienen un mayor puntaje en ambas categorías y solo que se relaciona
la grafica de las mujeres a la de los hombre un con un menor puntaje, si la de los hombres
cae la de las mujeres también pero conforme a su medida.
2. Suponga que desea predecir las calificaciones de los hombres en matemáticas (Y ) con base en las
calificaciones obtenidas por las mujeres en esa misma materia (X ) con la siguiente regresión:
Yt = β1 + β2Xt + ut
Estime el modelo anterior.
3. De los residuos estimados, verifique si se mantiene el supuesto de normalidad a un nivel de
significancia de 5%. Utilice las pruebas Jarque-Bera y Shapiro Wilk.
R = En ambos estadísticos la p-value nos esta indicando que se mantiene el supuesto de
normalidad y esto quiere decir que no se rechaza la hipótesis nula.
4. Ahora pruebe la hipótesis de que β2 = 1, es decir, que existe una correspondencia uno a
uno entre las calificaciones de matemáticas obtenidas por los hombres y las mujeres.
R = Se rechaza la hipótesis nula por la regla 2t.
5. Ahora pruebe la hipótesis de que β2 = 2/3, es decir, que existe una correspondencia uno a dos
tercios entre las calificaciones de matemáticas obtenidas por los hombres y las mujeres.
R = Se acepta la hipótesis nula por la regla 2t.
6. Presente la tabla ANOVA para este problema.
7. Repita el ejercicio del inciso 2 anterior pero ahora que Y y X representen las calificaciones
obtenidas por hombres y mujeres en lectura crítica, respectivamente y pruebe la hipótesis de que
β2 = 2/3, es decir, que existe una correspondencia uno a dos tercios entre las calificaciones de
lectura crítica obtenidas por los hombres y las mujeres.
R = Se acepta la hipótesis nula por la regla 2t
> #EJERCICIO 3
> exa<-[Link](file = 'tarea 3/[Link]', header = TRUE)
> attach(exa)
> [Link]<-ts(exa[,2], star=c(1972,1), frequency = 1)
> [Link]<-ts(exa[,3], star=c(1972,1), frequency = 1)
> [Link]<-ts(exa[,5], star=c(1972,1), frequency = 1)
> [Link]<-ts(exa[,6], star=c(1972,1), frequency = 1)
> #INCISO 1
> [Link]([Link], [Link], colx="black", coly="red", xlab="Tiempo",ylab="
PUNTOS", main="LECTURA") #library(tseries)
> [Link]([Link], [Link], colx="black", coly="red", xlab="Tiempo",ylab="
PUNTOS", main="MATEMATICAS")
> #INCISO 2
> c<-[Link]([Link],[Link],[Link],[Link])
> regmat<-lm([Link]~[Link], data = c);summary(regmat)
Call:
lm(formula = [Link] ~ [Link], data = c)
Residuals:
Min 1Q Median 3Q Max
-2.2731 -1.5798 0.1251 0.8150 3.4546
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 198.73695 12.87537 15.44 <2e-16 ***
[Link] 0.67048 0.02647 25.33 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 1.582 on 34 degrees of freedom
Multiple R-squared: 0.9497, Adjusted R-squared: 0.9482
F-statistic: 641.7 on 1 and 34 DF, p-value: < 2.2e-16
> #INCISO 3
> u<-resid(regmat)
> [Link](u)
Shapiro-Wilk normality test
data: u
W = 0.95178, p-value = 0.1189
> [Link](u)#
Jarque-Bera Normality Test
data: u
JB = 1.1641, p-value = 0.5588
alternative hypothesis: greater
> #INCISO 4
> linearHypothesis(regmat, "[Link]=1")
Linear hypothesis test
Hypothesis:
[Link] = 1
Model 1: restricted model
Model 2: [Link] ~ [Link]
[Link] RSS Df Sum of Sq F Pr(>F)
1 35 472.97
2 34 85.08 1 387.89 155 3.226e-14 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> #INCISO 5
> linearHypothesis(regmat, "[Link]=0.6667")
Linear hypothesis test
Hypothesis:
[Link] = 0.6667
Model 1: restricted model
Model 2: [Link] ~ [Link]
[Link] RSS Df Sum of Sq F Pr(>F)
1 35 85.135
2 34 85.084 1 0.051097 0.0204 0.8872
> #INCISO 6
> anova(regmat)
Analysis of Variance Table
Response: [Link]
Df Sum Sq Mean Sq F value Pr(>F)
[Link] 1 1605.92 1605.9 641.73 < 2.2e-16 ***
Residuals 34 85.08 2.5
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> #INCISO 7
> regread<-lm([Link]~[Link], data = c);summary(regread)
Call:
lm(formula = [Link] ~ [Link], data = c)
Residuals:
Min 1Q Median 3Q Max
-5.2778 -2.3403 -0.0278 1.7847 4.9722
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 132.77778 33.72449 3.937 0.000388 ***
[Link] 0.75000 0.06704 11.187 6.11e-13 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 2.835 on 34 degrees of freedom
Multiple R-squared: 0.7864, Adjusted R-squared: 0.7801
F-statistic: 125.2 on 1 and 34 DF, p-value: 6.111e-13
> linearHypothesis(regread, "[Link]=0.6667")
Linear hypothesis test
Hypothesis:
[Link] = 0.6667
Model 1: restricted model
Model 2: [Link] ~ [Link]
[Link] RSS Df Sum of Sq F Pr(>F)
1 35 285.63
2 34 273.22 1 12.407 1.5439 0.2225